1. Gün

• Giriş

  • Yapay zeka nedir? Tarihçesi ve günümüzdeki uygulamaları.

  • Makine öğrenmesi nedir? Çeşitleri ve yapay zekadaki yeri.

  • Güdümlü öğrenme nedir? Temel prensipleri ve diğer öğrenme türleriyle farkları.

• Güdümlü Öğrenmenin Temel Kavramları

  • Sınıflandırma

  • Regresyon

  • Veri kümesi: Eğitim, test verileri, etiketli veriler, özellik mühendisliği.

  • Model ve parametreler: Model seçimi, hipotezler.

  • Performans metrikleri: Doğruluk, hassasiyet, özgüllük, F1 skoru, vb.

  • Overfitting ve underfitting: Nedenleri ve çözüm yolları.

  • Gradient Descent algoritması

  • Öğrenme Hızı (Learning Rate)

  • Feature Engineering

• Sınıflandırma

  • KNN'ler

  • Karar Sınırı

  • Lojistik Regresyon

  • SVM'ler

2. Gün

• Karar Ağaçları

• Random Forest

• Regresyon

  • Lineer Regresyon

  • Kayıp fonksiyonları ve analizi

  • Performans iyileştirme metotları

• Güdümlü Öğrenmenin Uygulama Alanları

  • Sınıflandırma: Spam filtreleme, görüntü tanıma, tıbbi teşhis vb.

  • Regresyon: Ev fiyat tahmini, satış tahmini vb.

  • Nesne algılama: Görüntü, video analizinde tespit ve sınıflandırma.

  • Doğal dil işleme: Duygu analizi, makine çevirisi, metin özetleme vb.

3. Gün

• Uygulama Projesi

  • Veri toplama ve hazırlama.

  • Model seçimi ve eğitimi.

  • Model değerlendirmesi ve ince ayar.

• Sonuç ve Gelecek

  • Güdümlü öğrenmenin avantajları, dezavantajları.

  • Geleceği ve yeni gelişmeler.

  • Yapay zeka etik ve sosyal etkileri: Yanlılık, genelleme.

• Mini Projeler

  • Özellik temelli hedef sınıflandırma

  • Görüntü üzerinden nesne sınıflandırma